Recherche Opérationnelle Appliquée GCI

La recherche opérationnelle (RO) fournit à l’ingénieur GCI des modèles mathématiques pour décider au mieux sous contraintes : affecter des engins et des camions aux chantiers, choisir l’emplacement des dépôts de matériaux, phaser les travaux d’une route nationale sous contrainte budgétaire, comparer des variantes de tracé selon plusieurs critères, dimensionner des stocks ou un atelier de chargement, quantifier le risque de dépassement de coût ou de délai. Ce cours de Master combine formulation, résolution (simplexe, branch-and-bound, méthodes multicritères, simulation) et mise en œuvre en Python avec la bibliothèque PuLP (solveur CBC), sur des cas nigériens : chantiers de la RN1, gîtes latéritiques, tournée de contrôle géotechnique autour de Niamey, choix de tracé.

Objectifs d’apprentissage

• Formuler et résoudre des problèmes d’optimisation pour la gestion des ressources en GCI.
• Appliquer la programmation linéaire et entière aux décisions de planification d’infrastructure.
• Utiliser les méthodes stochastiques pour la gestion des risques et incertitudes dans les projets.
• Maîtriser les outils numériques Python/PuLP pour la modélisation et la résolution de problèmes GCI.

Prérequis

Probabilités & Statistiques (PST2103) — Licence GCI S2 ; Planification & Gestion de Chantiers (GCH4302) — Licence GCI. Notions d’algèbre linéaire et bases de Python (listes, dictionnaires, boucles).

Plan du cours

1. Leçon 1 — Programmation Linéaire et Applications GCI
2. Leçon 2 — Programmation Entière et Combinatoire
3. Leçon 3 — Méthodes Multicritères
4. Leçon 4 — Optimisation Stochastique

Travaux dirigés sur machine

• Le syllabus ne prévoit pas de TP (0 h) : les TD intègrent des séances guidées Python/PuLP (affectation des camions aux gîtes, phasage d’une route nationale, simulation Monte-Carlo d’un planning).

Modalités d’évaluation

Volume horaire : CM 12 h, TD 6 h, TP 0 h, travail personnel (TPE) 22 h, soit 40 h (2 crédits). Évaluation : contrôle continu 30 % (mini-projet de modélisation Python rendu avec code et note) + examen terminal 70 % (formulation, simplexe, multicritère, calculs stochastiques) ; nature mixte.

Bibliographie

• F. S. Hillier & G. J. Lieberman, Introduction to Operations Research, McGraw-Hill.
• H. A. Taha, Operations Research: An Introduction, Pearson.
• T. L. Saaty, The Analytic Hierarchy Process, McGraw-Hill.
• Documentation PuLP (COIN-OR), en ligne.